基于蚁群粒子群混合算法的多目标优化在供水管网优化设计中的应用

在城市供水系统中,管网的铺设费用占很大比重。如何最大限度降低建设成本而又保证供水的可靠性,是供水管网设计的重点和难点。基于供水管网的固有特性,结合蚁群、粒子群算法的优点,将蚁群粒子群混合算法应用到供水管网设计的多目标优化中。将蚁群中的信息素、启发因子、信息素挥发度参数映射到粒子群算法中粒子的位置坐标,通过粒子迭代寻找最优位置,并将蚁群算法通过特定信息素更新方式并限制迭代次数来进行优化,再将粒子最优位置反馈到优化后的蚁群算法中,寻找最优解。通过此算法,优化了供水管网中管径的选择,在保证供水管网可靠性的前提下,尽量缩减建设费用,为决策者提供更加经济实用的决策参考。     

新型混沌粒子群混合优化算法

为避免粒子群算法陷入局部最优、早熟收敛,提出了一种新型的混沌粒子群混合优化算法。利用混沌映射初值敏感性、遍历性特点,随机初始化一个粒子,并通过混沌映射得到多个粒子的初始值,改变初始粒子群的提取过程。利用混沌映射扩大初始粒子群,得到寻优粒子群,使得粒子群在搜索的过程中,种群数量变大,有利于全局寻优,而种群粒子多样化,有利于跳出局部极值。经典的测试函数仿真表明,改进的粒子群算法极大提高了粒子群的寻优精度和寻优效率,增加了粒子的全局寻优能力,具有更为广泛的应用场景。     

粒子群优化算法发展综述

粒子群优化（PSO）算法是一种源于人工生命和演化计算理论的优化技术．PSO通过粒子搜寻自身的个体最好解和整个粒子群的全局最好解来更新完成优化．该算法原理简单，所需参数枝少，易于实现，目前已经应用到很多领域．文章阐述了基本PSO的原理。给出了各种改进技术，并展望了PSO的发展方向。     

粒子群与差异演化的混合进化算法研究

将标准粒子群（PSO）算法和差异演化（DE）算法混合进行进化,把差异演化算法的优势带入到粒子群算法中,利用差异演化算法其本身具备的对粒子个体的交叉和变异操作使标准粒子群算法种群保持寻优所需的多样性．并将这种算法与标准粒子群算法、G-PSO算法等进行了对比研究,通过混合进化的方法使粒子群种群保持多样性,实验结果表明新算法避免陷入“早熟”或“停滞”的能力大大提高．     

一种改进的权均值粒子群优化算法

针对粒子群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了权均值粒子群优化算法。通过在"认知"部分和"社会"部分加入随机权值更新粒子的飞行速度,使粒子能够很快地收敛到全局最优点。典型函数的仿真结果表明,该算法不仅具有较好的全局收敛性能和较快的收敛速度,而且有效地避免了早熟收敛问题。     

粒子群优化算法研究

为更好地改进粒子群优化算法（Ps0）并为深入研究该算法提供相关资料,在分析PSO的基本原理和对算法在惯性权重、收敛性等方面进行深入调查的基础上,介绍了算法的多种改进形式和研究现状,阐述了PSO的数学研究现状与发展趋势,指出对PSO系统的理论研究及其性能的进一步改进和应用是PSO的发展趋势．     

基于粒子蚁群算法的建筑园区植物结构配置优化方法

植物结构是建筑园区的基本组成单元．本文提出了基于粒子蚁群算法的建筑园区植物结构配置优化方法．构建建筑园区植物结构配置优化模型,利用粒子群优化算法和蚁群算法求解模型最优值,实现建筑园区植物结构配置优化．实验结果表明,所提方法的景观总体布局较好、景观类型较为集中、所占建筑园区总体面积较为均衡,能够有效减少植物结构配置费用,缩短植物结构配置时间．     

粒子群优化算法及其应用

介绍了粒子群优化算法及该算法的优越性,并与遗传优化算法进行了比较;针对经典粒子群算法存在的不足,介绍了一个改进的动态改变惯性权的自适应粒子群算法;最后,以神经网络为例给出了粒子群优化算法的应用.     

无约束的粒子群优化算法

粒子群优化算法最早是针对无约束连续优化问题而提出的。通过总结传统粒子群优化算法改进的研究工作,介绍了一种针对无约束函数优化问题的基于混沌搜索的粒子群算法和一种结合模拟退火策略的粒子群算法。这两种算法实用性较强、优化效果明显。     

利用加权法改进的蚁群算法在车载导航中的应用

设计一种专门适用于路径规划的改进蚁群算法,利用图论中的加权图的方法来表示交通网络,通过对蚁群算法加以改进,从距离和时间两个方面来综合考虑最优路径标准.而非传统的仅从距离角度来考虑.结果表明：改进的算法在距离和时间综合方面比传统的方法更优化.为实际车载导航系统中最优路径规划问题的解决提供了一种新方法.     

基于混合粒子群算法的巡检机器人路径规划

针对巡检机器人路径规划问题,提出一种基于混合粒子群算法的路径规划方法,目的是当巡检机器人在工作区进行巡检时,为其提供一条最短路径。该方法引入遗传算法中的交叉和变异策略,对传统粒子群算法进行改进。试验结果表明,在70m×70m的工作区中,改进粒子群算法规划的最短路径长度相比传统粒子群算法和遗传算法分别减少43. 93m和23. 34m,其迭代次数相比传统粒子群算法和遗传算法分别减少34次和23次,验证了此改进算法的有效性。     

基于MATLAB的粒子群优化算法程序设计

阐述了粒子群算法的基本原理,探讨了在MATLAB环境中实现粒子群算法的编程方法,构建粒子群算法工具箱函数,通过仿真示例验证了该方法的有效性,表明它能够对函数进行全局优化.     

基于蚁群优化的边缘化粒子滤波器跟踪算法

针对边缘化粒子滤波器(MPF)中的Kalman滤波通常无法从量测方程中获得线性状态估计,以及标准粒子滤波器估计非线性状态计算量大和粒子退化的问题,提出了一种改进的MPF粒子滤波目标跟踪算法。该方法采用状态的预测值作为Kalman粒子滤波的量测更新,用Kalman滤波估计目标的速度和加速度,并通过蚁群优化算法改进标准粒子滤波器,并用以估计目标的位置信息。仿真结果表明:该方法在提高目标状态估计精度的同时,降低了粒子滤波的计算复杂度,克服了粒子滤波退化现象。     

基于Petri网与粒子群算法的主动配电网故障定位

针对主动配电网故障定位的容错性差、运算时间长及通用性差等问题,引入一种基于Petri网与粒子群算法结合的故障定位方法。根据主动配电网的拓扑结构和馈线终端单元上传的故障信息建立开关函数,提出基于Petri网的并行粒子群算法定位故障区段。通过实验对所提方法的有效性进行验证。结果表明:Petri网与粒子群算法相结合的故障搜寻方法对于接线复杂、分支众多的主动配电网结构具有较好的适应性与收敛性。     

模拟退火改进粒子群优化算法求解优化问题

针对粒子群优化算法后期易陷于局部最小的缺点,引入模拟退火思想,建立模拟退火—粒子群优化算法。通过求解函数优化问题对比实验,表明改进后的粒子群优化算法增强全局寻优能力,搜索成功率大为提高。     

粒子群算法在曲线拟合中的应用

分析了粒子群算法在曲线拟合中的应用,同时对个别不理想的实验数据进行了淘汰,能进行有效的数据处理。通过具体实例表明该方法实现简单,易于理解,并且还具有很高的可靠性;分析了该算法与最小二乘法的优缺点,证实该算法是曲线拟合的一种有效方法。     

一种改进的粒子群算法研究

为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。     

基于粒子群算法的可靠性优化

系统可靠性优化已被证明是一个NP完全问题,不存在精确的求解方法。人们构造了大量的启发式算法,如遗传算法(GA),蚁群算法(ACO),模拟退火算法(SA)等。针对各种算法所存在的早熟收敛,易陷入局部极值点的缺点,提出了将粒子群算法(particle swarm optimization,PSO)用于求解可靠性问题。给出了基于粒子群算法的可靠性优化求解策略,根据数学模型,详细讨论了求解步骤,最后给出了实验仿真结果。结果表明该算法具有较强的局部搜索能力,同时也有更高的搜索效率,与其它方法相比,该算法能够找到更优解,验证了该算法的可行性和有效性。     

一种基于粒子群和鱼群的混合优化算法

本文通过分析和比较粒子群和人工鱼群算法的优点和缺点,提出了一种新的混合优化算法,并用此算法求解无约束优化问题,实际仿真数值结果表明,新算法的收敛精度和收敛速度都明显优于粒子群和鱼群算法,且亦然符合动物的自然规律,是一种很高效的优化算法．     

改进的小生境粒子群优化算法

传统的小生境粒子群优化算法（NPSO）需要两个参数的输入,一个是判断子群合并的阈值,另一个是子群产生的阈值。参数设置的不当,将直接影响计算结果。引入一个函数判断两个点是否在同一座山峰上,以克服NPSO算法需要输入参数的弊端。在程序运行时,无须严格限定小生境的半径,也不需太多的先验知识。实验结果证明,该算法合理有效,能够能快速有效地找到多峰函数的全局最优点。